数字孪生与仿真

核心要点

• 仿真 它回答了一个范围有限的工程问题，然后就结束了，而数字孪生则通过实时测量数据与一个已部署的资产保持关联。
• 实时数据连接、一个命名单元以及持续的对账，这些特点使双胞胎模型与即使是最详细的离线模型也截然不同。
• 只有当单个资产的重要性足以证明建立永久性数据架构和维护模型是合理的时，双重配置才物有所值。

仿真 （物理资产数字孪生）会回答您提出的一次性问题，而数字孪生则会在物理资产服役期间持续为您解答该问题。

这一区别消除了这两个术语之间的大部分困惑，也厘清了随后关于预算的讨论。仿真（仿真 ）是一种方法。你构建一个模型，将其应用于某种情景，读取结果，然后关闭模型。而数字孪生（digital twin）则是该模型的持久实例，通过实时数据链路与某台硬件设备绑定，并在硬件运行期间保持实时更新。 资金往往追随这种混淆，因为据预测， 仿真 数字孪生市场规模将从2024年的350亿美元增长至2034年的3790亿美元。

正确划定界限至关重要，因为这两者所涉及的成本不同。仿真 的研究在报告签署后即告结束。而“数字孪生”则意味着需要持续投入数据采集、模型维护以及针对不断涌入的测量数据进行验证。那些将“数字孪生”视为更高级版仿真 的团队，最终只会得到一个贴着“实时”标签却早已过时的模型——这是一种代价高昂的错误。

仿真 在工程工作流中究竟起什么作用

仿真 通过预定义的场景运行系统模型，以解答一个范围明确的问题，通常是在硬件尚未存在或尚未面临风险之前进行。该过程有开始、结束、由您控制的假设，以及与需求进行对比的结果。运行结束后，所有连接均会断开。

以一款即将用于首辆汽车制造的牵引逆变器为例。团队针对被控对象模型运行数千个闭环仿真案例，对温度、电池荷电状态和故障发生时间进行扫频，直到控制软件能够在任何原型机都无法安全承受的工况下稳定运行。硬件在环（HIL）测试平台在此也同样适用，因为控制器是真实的，而被控对象则是通过模型模拟的。

价值源于那些能够以低成本提出的问题。在一个下午内，你可以模拟一百次相-地短路，而不会损坏设备，随后回溯到电流调节器失去控制的那个毫秒时刻。但你无法据此对现场的特定设备做出任何断言。

数字孪生相较于独立模型还能带来什么

数字孪生是某个特定物理资产的模型，它通过测量数据与该实体保持同步，从而使其状态随时间推移与硬件保持一致。其底层的建模工作属于常规的仿真 工作。使其成为“孪生”的关键在于与序列号的绑定以及必须保持数据实时更新的要求。

一台风力涡轮机的孪生模型清晰地展示了这一转变。一旦每隔几秒钟记录到机舱振动、叶片倾角和发电机电流数据，传动系统模型就不再描述涡轮机的一般情况，而是开始描述第3排的第41号涡轮机。操作员利用该模型来估算齿轮箱的疲劳状况——这是传感器无法直接报告的。

持久性正是工程成本的所在。传感器会产生漂移，固件会更新，组件也会被替换，因此数字孪生需要一套校准流程，将模型拉回与实际测量值一致的状态。OPAL-RT的团队在遇到这种情况时深有体会：一个通过验收测试的实时模型，一年后却需要重新调校。一个未经过校准的数字孪生，无异于一辆顶部加装了仪表盘的旧款仿真 。

数字孪生与仿真 在实际应用中的差异究竟在哪里

仿真 数字孪生与仿真 的主要区别在于其与单个物理资产的实时数据连接。 是对通用模型进行的有限范围实验，而数字孪生则是特定单元的静态表示，通过测量数据进行更新，并根据其追踪该单元的准确程度来评估。

“数字孪生与物理孪生（仿真 ）的主要区别在于，前者与单个物理资产之间存在实时数据连接。”

边界情况往往是团队争论的焦点。一个基于记录的现场数据驱动的模拟平台看起来像数字孪生，但它仍被视为仿真 ，因为该回放数据是固定的，而非与某个实时单元绑定。若从某个命名资产中持续流式传输数据，则便越过了界限。越界的关键不在于保真度，因为粗略的数字孪生每天都在生产环境中运行。

在仿真 研究与实时数字孪生之间做出选择

当问题结束时，请选择仿真 。当资产比答案更重要时，请选择 。需要进行设计决策、认证结果或控制调优工作的项目，均可从仿真 获得所需的一切。对于那些会对现场某台设备产生影响的运维工作而言，额外的配置工作是值得的。

电网运营商清晰地展示了计算过程。美国开发商计划在2026年新增86吉瓦的公用事业级装机容量，其中太阳能和电池储能分别占总量的51%和28%。如此比例的电力电子设备会改变电网在毫秒内的响应方式，因此规划研究仍采用仿真 ，而承担结算义务的电池站点则会获得一个“双胞胎”。

当其中几个同时生效时，双胞胎就能发挥作用了。

• 一个单位所涉及的财务或安全后果足够严重，因此值得持续关注。
• 该设备上已配备传感器，且其读数通过了校准检查。
• 你所关心的这个量无法被测量，只能通过推断来确定。
• 交付后，该模型归某方所有，且该方负责其维护预算。
• 一项决策会被反复审议，以至于一次性的研究结果很快就会过时。

大多数团队的做法介于两者之间：首先使用仿真 模型进行设计验证，待资产交付后，再将其中一部分升级为双模型。

模糊这些术语之间界限的常见误解

有三点假设会引发大部分问题：数字孪生绝非仅仅是更详细的模型；单凭3D可视化本身并不等同于数字孪生；仅靠实时执行也无法使某物成为数字孪生。每项错误都会导致预算被浪费在无法获得回报的地方。

可视化是让大多数团队陷入困境的难点。一个带有实时标签值的渲染工厂车间，本质上只是建立在数据历史库之上的一个仪表盘。其背后没有任何机制来计算接下来会发生什么，因此，如果你询问一个尚未发生故障的阀门的情况，它将无从作答。

保真度上的困惑会带来更高成本。团队往往认为数字孪生需要采用他们拥有的最高分辨率模型，结果却发现，这种模型过于庞大，运行速度甚至不及资产本身，因此无法回答任何前瞻性问题。数字孪生最终是以能正常运行的最低保真度构建的，而详细的离线模型则仍被保留在它们应有的位置——即设计和验证阶段。

“双胞胎模型以能正常工作的最低精度构建，而详细的离线模型则应保留在其应有的位置——即设计和验证阶段。”

工程团队关于数字孪生和仿真常问的问题

数字孪生与仿真 是一回事吗？

不，仿真 是一种用于计算行为的方法，而“数字孪生”则是将该方法应用于某个具有实时数据流的命名物理资产的一次部署。每个数字孪生都包含一个仿真 ，而作为数字孪生的仿真案例则寥寥无几。

没有物理模型，能构建数字孪生吗？

您可以利用历史测量数据和机器学习构建一个仅基于数据的虚拟孪生，许多状态监测产品就是这样运作的。但当资产处于从未达到过的运行点时，这种方法就会遇到困难，而这正是物理学发挥作用的地方。

实时执行是否意味着模型就是数字孪生？

实时执行是“数字孪生”与硬件保持同步的必要条件，但仅凭这一点还不够。硬件在环（HIL）测试平台可以全天实时运行，且不受已部署设备的限制，因此它始终属于仿真 。

一支队伍应该从哪一个开始呢？

先从《仿真 》开始。其中的建模、验证和参数设置工作可以直接应用到后续的双机模型中，而且你会首先了解资产的行为取决于哪些因素。

在确定工程预算之前，先明确界限

明确界限所节省的成本，远超其后任何工装决策所能带来的节省。仿真 之所以有其价值，在于它能在硬件尚未存在时就解答棘手的问题；而数字孪生之所以有其价值，则在于它对已投入运行的资产保持真实。将二者混为一谈，只会产生成本高昂且无人信任的模型。

严谨性往往体现在那些不起眼的地方。项目团队解散后，总得有人负责维护模型参数；当传感器开始出现误差时，总得有人察觉；而数字孪生应向读者提供何种精度，也总得有人来决定。那些对这些问题避而不答的团队，最终会发现模型早在两个固件版本之前就已经与实际资产产生偏差，而此前却无人察觉。

仿真 层正是这一规范的起点，因为数字孪生的可靠性完全取决于其底层的模型。OPAL-RT就在这一层运行，构建经过硬件验证的实时模型，因此当有人问及“它如何知道”时，为数字孪生提供数据的支持引擎是你可以信服地解释的。只要模型准确无误，数字孪生就变成了一个你可以轻松解答的维护问题。